Coder sans savoir coder ?

La réponse courte est oui. Le vibe coding permet à quelqu’un qui n’a jamais écrit une ligne de code de produire, en quelques échanges avec une IA de type LLM, une application qui fonctionne.

Le vibe coding c’est ça : décrire dans le prompt d’une IA qui génère du texte, un projet pour le transformer en code fonctionnel et potentiellement en une application visuel.

Grossière on pourrait dire que c’est simple, il suffit de :

1. Choisir le bon modèle d’IA adapté (oui parce que tous les modèles ne se valent pas).
2. Décrire ce que vous voulez (déjà, écrire un vrai prompt suffisamment précis et exhaustif de ce qu’on veut c’est pas si simple).
3. L’IA génère le code.
4. Tester (à condition de savoir quoi tester).
5. Faire des retouts sur les erreurs à l’IA (à condition de savoir quoi lui remonter comme problème).
6. Elle corrige.
7. Vous recommencez (et si vous êtes curieux, vous comprenez comment votre code est fait).

Et si vous ne comprenez pas ce que l’IA a produit, il suffit de lui demander d’expliquer le fichier comme si vous n’aviez jamais programmé de votre vie.

Pour des prototypes, de petits outils, des sites vitrines ou des automatisations, cette mécanique va étonnamment loin. Le début du vibe coding est facile, presque trop facile.

Je vois souvent des influenceurs dire « Oh regardez ce que l’IA a fait ! » en montrant un vidéo d’une page HTML avec des animations, une ébauche de jeu vidéo qui pompe un style (un clone de CoD, RocketLeague et j’en passe).

Ce qu’il faut comprendre c’est que l’IA connaît le code car il existe beaucoup beauuuuucoup de projets sur internet qui ont servi à son entraînement auxquels s’ajoutent de nombreux exemples de programmation pédagogique.

Une IA générative n’invente pas le logiciel à partir de rien. Elle apprend des régularités à partir d’énormes quantités d’exemples et les recombine pour produire une solution plausible. Elle peut donc produire quelque chose de nouveau dans sa forme, mais cela ne signifie pas qu’elle comprend nécessairement le problème comme le ferait un concepteur humain.

Les projets générés par IA sont souvent assez beaux et épurés.
Clairement, 80% du boulot peut être fait en un prompt quand il est bien écrit.

Comprendre qu’un programme n’est pas seulement ce qu’on voit sur un écran est déjà pas simple pour beaucoup de gens.

L’exemple le plus parlant de mon entourage ce sont les « j’ai fait mon site internet avec ChatGPT ». Ok, tu as fait une page HTML jolie, mais où tu l’héberges ? Comment tu fais ta visibilité ? Est-ce que ça marche vraiment ? Comment tu modifies les pages ?

Donc écrire « Fais moi un jeu comme RocketLeague » c’est clairement insuffisant.

Mais…

Tant que tout va bien, on avance vite. Le problème surgit lorsque quelque chose bloque, ou que le projet gagne en complexité : authentification, base de données, sécurité, déploiement, bugs subtils, performances, etc.

Pour les petits bugs, avec des IA payantes en mode « code », on peut continuellement modifier le programme (jusqu’à ce que l’IA soit surchargée de texte et se mélange les pinceaux à cause de sa fenêtre contextuelle trop petite).

Ce genre de « détails » ne se voit pas à l’œil nu, elle se voit trois semaines plus tard, quand une faille de sécurité est exploitée ou qu’une base de données mal pensée s’effondre sous la charge.

C’est à ce moment que quelques fondamentaux cessent d’être optionnels : les variables et les fonctions, les conditions et les boucles, les bases du HTML/CSS/JavaScript, la logique des API et du JSON, le fonctionnement de Git, les principes des bases de données, quelques notions de sécurité. Rien d’extraordinaire pour quelqu’un qui sait coder ou qui connaît les notions, mais assez pour comprendre ce que la machine fait, et surtout pour repérer quand elle se trompe.

Le bon modèle n’est donc probablement pas « apprendre à coder puis vibe coder », ni l’inverse absolu « vibe coder et ne jamais rien apprendre ». C’est plutôt : vibe coder d’abord, pour se lancer et garder la motivation puis apprendre juste assez pour comprendre, contrôler et corriger ce que l’IA produit.

Beaucoup de codeurs utilisent maintenant l’IA comme assistant plutôt que de pratiquer le vibe coding au sens strict (une confiance aveugle au code de l’IA). Cela leur fait gagner énormément de temps, mais la relecture reste indispensable car une IA n’est qu’un générateur de texte à la base qui est capable de produire une réponse convaincante tout en se trompant.

Un projet « fini » n’est pas un projet abouti

Un projet généré par IA donne très vite l’impression d’être terminé. Une belle page d’accueil, des cartes bien alignées, une navigation plausible, quelques animations, une typographie soignée : à première vue, on jurerait un produit fini.

Même les ébauches de « jeux vidéo » semblent prometteurs avec quelques interactions.

C’est ce qu’on pourrait appeler le phénomène du « 80/20 visuel ».

Un LLM atteint une grande partie de la finition apparente en un temps record, mais ces derniers 10 à 20 % peuvent concentrer une part disproportionnée du travail réel.

La fameuse « loi de Pareto ».

Ces petits 20% manquants sont souvent ce qui fait la différence :

• les micro-ajustements de mise en page.
• la cohérence entre toutes les pages et tous les états de l’interface.
• les cas limites et les comportements inhabituels.
• les sécurités.
• les transitions, espacements, alignements et hiérarchies visuelles.
• la gestion de données réelles, imprévisibles.
• l’accessibilité, la gestion des erreurs, le responsive, les performances.
• la cohérence du système visuel sur la durée.
• etc

Il suffit de poser quelques questions simples pour se rendre compte que le fond n’est pas encore fini : que se passe-t-il si la donnée est vide ? Si le titre fait trois lignes au lieu d’une ? Sur mobile ? Avec deux cents éléments dans la liste ? En cas d’erreur réseau ? Après le cinquième clic sur le même bouton ? Quand deux composants qui se ressemblent doivent évoluer différemment ?
C’est là qu’on découvre que les fameux « 20 % restants » ne sont pas des détails cosmétiques mais l’architecture réelle du produit.

Tous ces trucs pénibles à corriger mais essentiels.

Du coup, on peut se demander si plus un LLM devient bon en génération visuelle, plus il risque de créer l’illusion d’un projet terminé.

Une interface magnifique donne envie de penser qu’un projet est fini puisqu’on nous a toujours appris à faire la mise en forme à la fin.

Cela ne veut pas dire que les projets générés par IA sont systématiquement bâclés ! Certains, notamment des interfaces assez standards, peuvent effectivement être quasi finalisables directement.

Ce qu’un LLM fait très bien :

• explorer rapidement plusieurs directions différentes.
• produire la structure globale.
• traduire une intention floue en interface concrète.
• générer les composants répétitifs.
• rendre le projet utilisable dans la grande majorité des cas simples.
• accélérer considérablement les premiers 70 à 90 % du travail.

Ce qu’un LLM fait beaucoup moins bien :

• sentir qu’un alignement est « légèrement faux ».
• garder une cohérence parfaite sur trente écrans différents.
• anticiper tous les cas d’usage réels.
• choisir les compromis.
• juger qu’un détail visuellement insignifiant est en réalité important pour un utilisateur.

Ce dernier segment peut représenter une part disproportionné du temps total du projet, parce qu’il ne s’agit plus d’ajouter des éléments mais de traquer des incohérences, souvent invisibles tant qu’on n’a pas cherché à les voir. De modifier des choses initialement cohérentes pour les ajuster.

Le LLM n’est pas un concepteur qui remplace le travail humain. C’est une machine extrêmement rapide pour produire une première solution plausible.

On peut demander à des agents IA de se surveiller entre eux en jouant des rôles, ça permet de gagner encore plus de temps mais il faut tout de même une surveillance.
On n’aura certainement pas une IA qui écrit du code toute seule pour des grands projets, mais une chaîne de contrôles entre plusieurs IA qui rend possible des projets presque automatisés.

L’IA peut inspecter, exécuter et même tester visuellement une partie de ce qu’elle produit, mais cela ne garantit pas qu’elle juge correctement le résultat du point de vue d’un utilisateur réel.

Si on reprend l’exemple de RocketLeague : il faut comprendre le ressenti du véhicule, la maniabilité, l’effet de caméra, la gestion réelle de la latence avec d’autres joueurs en situation réelle (et pas seulement sur un ordinateur en local), l’équilibrage de la difficulté, etc.

Le codeur reste encore celui qui décide, quels détails comptent vraiment, et reste celui qui vérifie que l’ensemble tient réellement debout.

Le vibe coding ne supprime pas la programmation. Il déplace la difficulté et laisse plus de temps pour gérer des problèmes de fond importants (c’est pas comme si on avait des fuites de données à gogo en ce moment par exemple).

Je pense qu’on peut réellement faire de beaux projets avec des bonnes idées même en « vibe codant » sans être codeur. De même qu’on peut avoir un bon sens artistique et des idées mais ne pas savoir retranscrire son imagination (par le dessin, la musique ou la vidéo). Ou simplement, ne pas avoir le temps de coder de A à Z quand ce n’est pas notre métier.

À ce moment, le Vibe coding est une solution facile pour retranscrire ses idées en quelque chose de concret.

Peut-être que ça déplace l’humain vers les tâches ingrates du codes qu’on voulait justement laisser aux robots ?
Peut-être que l’IA ne supprime finalement pas le travail difficile du code : elle supprime surtout une partie du travail facile à automatiser et laisse à l’humain les décisions, les arbitrages et les problèmes que l’on ne peut pas simplement résoudre en générant davantage de code.
On peut commencer à sen rendre compte en vibe codant justement.

Il y a quelques temps j’avais développé un petit outil Macrodroid (une alternative beaucoup plus simple à Tasker mais un peu moins complet pour créer des mini-applications ou des outils automatisés avec son smartphone).

J’avais conçu cet outil pour ne pas manquer des appels urgents : https://lokoyote.eu/ne-jamais-manquer-dappels-importants/ au cas où le smartphone se trouve en mode vibreur ou en volume très faible.

Le souci de mon ancienne solution est qu’il faut Macrodroid (devenu payant, ce qui est bien pour aider le créateur mais devient limitant car les gens n’ont pas l’habitude d’acheter des logiciels), ce qui limite fortement la diffusion. De plus, il semblerait qu’avec des mises à jour, certaines fonctions ne sont plus très fiables.

J’ai donc refait l’outil en application Android gratuite.

Le Github associé est : https://github.com/Lokoyote/UrgentCall-Guard.

Pour télécharger l’application au format APK c’est ici : https://lokoyote.eu/dl/UrgentCallGuard.apk.

• Choix du contenu du SMS envoyé.
• Réglage de la durée de la fenêtre pendant laquelle une personne peut vous rappeler 2 fois pour augmenter le volume au MAX.
• Possibilité de désactiver l’application si jamais vous ne voulez pas que ça sonne (une réunion par exemple).
• Liste Blanche de numéros permettant de faire sonner le téléphone en volume MAX automatiquement.
• Liste Noire permettant d’ignorer des numéros, de ne pas leur envoyer de SMS ni leur permettre de modifier le volume.
• Possibilité de limiter l’effet de l’application uniquement au répertoire du smartphone.
• Possibilité d’ajouter les contacts favoris en liste blanche.
• Possibilité de filtrer les numéros appelants par pays de provenance en cas de SPAM étrangers.
• Détection des numéros fixes et mobiles.
• Ajout de la détection des numéros d’urgence (18, 112, etc.) en liste Blanche automatiquement.
• Présence d’une notification permanente pour avertir si votre volume est faible ou non.
• 100 % local : aucune donnée (numéros, SMS, contacts) n’est envoyée à un serveur ou un tiers.

En attendant de mettre l’application sur F-Droid n’hésitez pas à la tester et à me faire des retours :)

L’application ne pourra pas être présente dans le Google Store car il faut un droit spécial pour l’envoi de SMS qui n’est accordé que pour des applications d’urgence.

Pour l’installer, il faudra autoriser l’installation de l’APK depuis des sources inconnus, puis à la fenêtre d’ouverture « Appli dangereuse bloquée » par Google Play Protect, cliquer sur « Plus de détails » puis « Installer quand même » (oui c’est bien un bouton même si ça n’y ressemble pas).

Malheureusement pour les possesseurs d’iPhone…

Il n’est pas possible de faire la même chose sur iOS (il manque des API fournis par Apple et il y a beaucoup de limitations, même pour contourner).
De plus, sur iPhone il y a la présence d’un bouton physique qui permet de mettre le téléphone entièrement en silencieux qui, s’il est enclenché, garde le téléphone en silencieux.

Par contre, ce qu’il est possible de faire pour passer outre ce bouton et avoir tout de même des appels urgents :

Aller dans la fiche de « Contact » de la personne pour laquelle vous voulez que les messages et les appels soient audibles > « Modifier » puis dans « Sonnerie » > cocher « Priorité en cas d’urgence ».
Il est possible de faire la même chose pour les « son SMS ».

À faire pour chaque contact pour lesquels vous souhaitez être avertis en urgence, par contre ce n’est pas indiqué si vous avez mis ces contacts en urgence quelque part.
De plus, c’est permanent, il n’y a pas de bouton on/off donc si vous ne voulez vraiment pas que ça sonne, faut tout refaire dans l’autre sens.

Vous avez besoin de vous connecter à une plateforme avec différents compte ? Plutôt que d’avoir plusieurs navigateurs ouverts, il suffit d’ouvrir un onglet dans un conteneur pour séparer les cookies.

Pour cela, il suffit de faire un clique-droit sur un onglet ouvert avec le site en question > Ouvrir dans un nouvel onglet conteneur. Un 2e onglet sera ouvert avec la même page mais les informations seront séparées.

De base Firefox propose des noms comme « Personnel », « Professionnel », « Bancaire », « Achats en ligne ».

Les noms ne servent pas à grand chose, vous pouvez ouvrir un nouvel onglet dans n’importe quel conteneur.

Ouvrir 2 onglets dans une même fenêtre côte à côte

Besoin également d’avoir 2 pages internets ouvertes en même temps pour comparer ? Facile, il suffit d’ouvrir les pages en vue scindée.

Il faut que les 2 pages à voir soient ouvertes dans 2 onglets, puis il suffit de faire clique-droit sur le premier onglet ouvert > « Ajouter une vue scindée ».
La liste des onglets ouverts s’ouvre et on choisit le 2e onglet.

Groupes d’onglets

Regrouper des onglets par thème. Très utile pour trier les onglets ouverts avec une étiquette.
Possibilité de déplier ou réduire l’ensemble des onglets du groupe.

Sélectionner les onglets ouverts que vous voulez regroupés en restant appuyé sur ctrl puis clique-droit > « Ajouter les onglets à un groupe ».

Cliquer sur l’étiquette du groupe pour cacher les onglets.

Devoir utiliser une IA pour faire une simple retouche ou devoir sortir un gros logiciel (comme GIMP) est parfois un peu pénible pour pas grand chose surtout quand on ne maîtrise pas.

Je vous propose une application de retouche simple et rapide :

• Recadrer
• Pivoter
• Image en miroir
• Ajouter des formes (barre, rectangle, cercle, polygone) avec remplissage et bordure modifiables
• Modification de la taille du canvas (l’espace de travail)
• Ajouter des flèches modifiables
• Flouter ou pixeliser une zone
• Ajouter du texte modifiable
• Superposer des images en tant que calques
• Possibilité de coller directement des images depuis le presse-papier et même depuis Nautilus
• Ouvrir plusieurs images dans des onglets.

L’installation propose :

• D’installer et d’ouvrir l’application normalement (à lancer depuis les applications d’Ubuntu) pour pouvoir l’épingler en raccourci dans le dock
• D’ajouter un raccourci dans la top bar pour ouvrir une image à modifier
• D’ouvrir une image directement depuis Nautilus avec un clique-droit via les scripts Nautilus.

(Les 3 types d’installation sont compatibles les uns les autres et peuvent être combinés).

Le logiciel est sous licence GPL 3, donc libre.

C’est un projet essentiellement en Python qui devrait être compatible toute distribution Linux.

Pour installer :

• Aller sur https://github.com/Lokoyote/image-editor
• Télécharger le Zip via le gros bouton vert « <> Code » puis Download ZIP
• Extraire le ZIP dans un dossier (et supprimer le ZIP)
• Faire clique-droit sur le fichier « Install.sh » puis Propriétés
• Cocher « Exécutable comme programme »
• Fermer
• Faire de nouveau clique-droit sur le fichier « Install.sh » > Exécuter comme un programme
• Supprimer le dossier dézippé.

Pour désinstaller :

• Faire la même chose avec le fichier « uninstall.sh »

Tout retour sera le bienvenu !

Le but : Faire en sorte que les personnes mal-voyantes ou non-voyantes puissent aussi trouver de l’information, ce qui n’est pas le plus simple dans un monde où tout est écrit sur un écran.

Ça ne demande pas grand chose pour la personne qui gère le site mais ça peut faire la différence pour d’autres au quotidien.

Il y a des outils pour tester son score d’accessibilité comme :

• Google Lighthouse (extension Chrome et Firefox)
• WAVE Web Accessibility Evaluation Tools

• Et mon outil maison qui permet de se mettre en condition réelle avec un parcours utilisateur.
  (Licence GPL 3) : https://github.com/Lokoyote/a11y-audit

(Actuellement je suis à 93% sur Google Lighthouse et 87% dans mon outil maison).

Évidemment, ce sont des outils, pas des tests avec humains. Ça ne remplace pas un vrai test avec les réels difficultés que peuvent rencontrer certaines personnes.

Mon blog est simple. Mais pour les gros sites avec de la Vente en ligne, des pages particulières, là c’est important tout de même de vérifier et de faire tester.

Les standards changeants régulièrement il faut vérifier de temps en temps. Là je ne m’en suis pas occupé depuis un moment, je vois qu’il est temps de changer quelques trucs.

Et il y a un truc que pas grand monde fait et qui reste important, c’est de remplir les textes alternatifs des images pour décrire ce qu’on veut montrer.

Même si WordPress a intégré un lien pour expliquer comment faire, on va pas se mentir, c’est chiant et on ne sait jamais vraiment quoi mettre. Cependant, il ne faut pas obligatoirement mettre de « Alt Text » sur une image surtout si elle ne sert qu’à imager.

La règle :
Si l’image n’a aucune fonction autre que de faire joli à l’écran, il vaut mieux rien mettre pour ne pas alourdir les reconnaissances vocales.
Si l’image apporte des informations utiles alors il faut détailler le plus possible.

À vous de juger si l’image est important à être décrite ou non.

Je suis en train de regarder si ça vaut le coup (et le coût) de faire une extension pour générer une description.

J’ajoute ma petite note perso, je pense aussi que les gens confondent eau en mouvement (comme celle d’une rivière) qui est censée être saine, et le fait d’avoir de l’eau stagnante censée être croupie donc imbuvable, même si ce n’est pas une généralité.

Le fait que l’eau mouvante soit potable vient de plusieurs facteurs :

• Le brassage avec l’air dissout de l’oxygène dans l’eau (autrement dit, les remous) favorise les bactéries aérobies (qui ont besoin d’oxygène) au détriment des bactéries anaérobies pathogènes, souvent plus problématiques pour la santé humaine.
• Le courant empêche les matières organiques (feuilles, algues, débris) de s’accumuler et de se décomposer (donc de servir de nourriture à des bactéries) sur place.
• L’eau est constamment renouvelée : les polluants et micro-organismes sont dilués et évacués plutôt que de s’accumuler.
• La lumière UV du soleil, qui pénètre mieux dans une eau qui bouge et reste claire, a un effet désinfectant naturel en détruisant l’ADN des bactéries (c’est très utilisé dans l’industrie pour inhiber des bactéries dans un fluide avec des lumières UV).

Pourquoi l’eau stagnante pose problème :

• Sans remous, l’oxygène dissous diminue avec le temps (surtout en profondeur), créant des conditions favorables aux bactéries anaérobies, dont certaines sont dangereuses (comme celles produisant des toxines).
• La matière organique morte (feuilles, insectes, algues) s’accumule et se décompose sur place, nourrissant les micro-organismes.
• C’est un environnement idéal pour la prolifération d’algues et de cyanobactéries, certaines toxiques.
• C’est aussi idéal pour la reproduction de moustiques, vecteurs de maladies.
• La chaleur stagnante accélère toutes ces réactions biologiques.

Donc le mouvement n’est pas magique en soi, c’est un indicateur indirect de meilleures conditions (oxygénation, renouvellement, moins d’accumulation), mais une rivière en aval d’une usine polluante reste dangereuse, tandis qu’un réservoir stagnant correctement traité (chloration, filtration) est parfaitement potable.

Prenons l’eau d’un lac.

L’eau n’est pas nécessairement potable, mais plusieurs facteurs peuvent la rendre buvable sans traitement lourd, contrairement à ce qu’on pourrait penser d’une eau « stagnante » :

• Le volume : un grand lac dilue énormément les contaminants par rapport à une petite mare. Une pollution ponctuelle a un impact minime rapporté à des millions de litres.
• La profondeur et la stratification : l’eau froide en profondeur limite l’activité biologique et la prolifération d’algues, contrairement à une eau stagnante peu profonde qui chauffe vite.
• Un apport et une évacuation d’eau : beaucoup de lacs sont alimentés par des rivières ou des sources et ont une sortie, ce n’est donc pas une eau totalement immobile, il y a un renouvellement lent mais réel sur des mois ou années.
• Un bassin loin des contaminants extérieur : un lac de montagne isolé, loin de l’agriculture, des égouts ou de l’industrie, reçoit peu de contaminants humains ou chimiques.
• La filtration naturelle : l’eau qui s’infiltre à travers la roche, le sable ou la végétation avant d’atteindre le lac est déjà partiellement filtrée (plus c’est fin, plus c’est filtré).
• L’écosystème lui-même : certains organismes (moules, certaines plantes aquatiques) filtrent naturellement l’eau.

Ce qui la rend dangereuse malgré tout, dans beaucoup de cas :

• Bactéries et parasites (comme Giardia ou Cryptosporidium) transmis par la faune sauvage ou le bétail à proximité, c’est la raison pour laquelle on déconseille de boire l’eau d’un lac sans traitement, même s’il paraît clair.
• Ruissellement agricole (pesticides, engrais) ou urbain.
• Proximité d’habitations avec fosses septiques défaillantes.
• Proliférations de cyanobactéries en été, invisibles à l’œil nu mais toxiques.

Maintenant, l’eau en bouteille.

L’eau en bouteille est très rarement conditionnée telle quelle.

Elle se conserve bien TANT QU’ELLE N’EST PAS OUVERTE parce qu’elle est généralement stérile ou quasi-stérile au moment de l’embouteillage (traitement, filtration, ou eau de source peu contaminée), puis scellée hermétiquement à l’abri de l’air, de la lumière et des contaminants extérieurs.

De plus, l’eau est transférée dans une zone hygiénique pour être mise en bouteille.
Les bouteilles sont lavées (si elles sont fabriquées par une usine de soufflage externe) ou fabriquées sur place juste avant la ligne de remplissage (préformes PET soufflées, comme dans beaucoup d’industrie alimentaire utilisant des barquettes en plastique par exemple).

À la différence de votre gourde dans laquelle vous remplissez votre eau du robinet (eau qui est propre), votre gourde n’est souvent pas bien lavée et encore moins stérile comme peut l’être une bouteille soufflée par la chaleur sur une ligne de conditionnement, c’est pour ça que vous ne pouvez pas la garder longtemps, sauf si vous faites l’effort de bien la désinfecter. Mais une fois ouverte ça ne se garde pas, les bactéries de votre bouche vont s’installer tranquillement dans cette eau stagnante à bonne température dans une voiture au chaud ou dans une chambre.

Sans oxygène ni micro-organismes à l’intérieur, il n’y a rien pour faire « tourner » l’eau de bouteille comme un aliment. Ce n’est d’ailleurs pas l’eau elle-même qui a une date de péremption stricte, mais plutôt le plastique de la bouteille qui peut, avec le temps ou la chaleur, relarguer légèrement des composants dans l’eau, d’où la date indiquée sur l’étiquette.

L’eau de bouteille industrielle ne craint pas la congélation/décongélation : ce n’est pas dangereux en soi. L’eau pure ne « s’abîme » pas en gelant et regelant. Les points de vigilance sont plutôt :

• Le contenant : geler de l’eau dans une bouteille en plastique fine (surtout à usage unique) peut fragiliser le plastique et favoriser un léger relargage de substances, un peu plus si on répète les cycles gel/dégel.
• La contamination après ouverture : si la bouteille a été ouverte et qu’elle traîne (bouche en contact avec des mains, de l’air ambiant, etc.) avant d’être recongelée, des bactéries ont pu s’y développer entre-temps, mais ça vient de la manipulation, pas du gel lui-même.
• Le gel ne tue pas les bactéries, contrairement à une idée reçue, il les met juste en dormance.

Donc tant que la bouteille reste fermée et propre, alterner gel/dégel plusieurs fois ne pose pas de risque sanitaire.

Quelle différence entre « eau de source » et « eau minérale » ? Quelles différences dans les traitements ?

Il ne faut pas croire qu’on met directement l’eau en bouteille comme ça, il faut dans tous les cas faire quelques analyses. Si ce n’est pas conforme, on ne met pas en bouteille.

1. Traitement d’une eau de source

L’eau de source doit être potable à la sortie de la nappe, mais elle peut nécessiter des traitements physiques pour garantir sa qualité.

Traitements possibles :

• filtration mécanique (sable, cartouches, membranes) pour enlever les particules.
• microfiltration ou ultrafiltration selon les besoins.
• aération pour éliminer certains gaz dissous.
• traitements pour corriger certains paramètres si la réglementation le permet.

Traitements généralement interdits ou non utilisés :

• ajout de chlore comme pour l’eau du robinet ;
• modification importante de la composition naturelle.

L’objectif est surtout de préserver l’eau tout en assurant sa sécurité microbiologique.

2. Traitement d’une eau minérale naturelle

L’eau minérale naturelle doit conserver son identité naturelle. Les traitements sont donc beaucoup plus encadrés.

Autorisés notamment :

• filtration simple pour retirer les éléments instables ou les particules.
• séparation de certains éléments naturellement présents en excès (selon la réglementation).
• élimination de composés indésirables d’origine naturelle dans certains cas.

Sont donc interdits :

• La désinfection au chlore.
• L’ajout de désinfectants.
• Les traitements qui changent la composition minérale essentielle.
• Le mélange d’eau ou correction artificielle pour créer uLe mot « Propriétés » pour une eau minérale est une allégation de santé, ce n’est pas quelque chose de magique ou d’ésotérique.ne nouvelle composition.

Dans certains cas, des procédés comme la filtration sur membranes peuvent être très limités car ils risquent d’enlever des minéraux qui font partie de l’identité de l’eau.

La différence entre les 2 eaux essentiellement basé sur le statut réglementaire : l’eau minérale doit prouver une origine géologique protégée, une composition stable et constante et obtenir une reconnaissance officielle de ses « propriétés ».
L’eau de source n’a besoin que d’être potable et sa composition peut varier naturellement.

Note importante :

Le mot « Propriétés » pour une eau minérale est une allégation de santé, ce n’est pas quelque chose de magique ou d’ésotérique.

Ce que ça veut dire concrètement :

Selon la concentration en certains minéraux, l’eau peut avoir des effets mesurables et documentés sur le corps.

• Eau pour nourrissons : doit avoir une minéralisation très faible et stable, car les reins immatures d’un bébé ne filtrent pas bien l’excès de minéraux, c’est une contrainte de sécurité, pas un bonus.
• Eau riche en magnésium (comme Hépar) : le magnésium a un effet laxatif osmotique reconnu à haute dose, il retient l’eau dans l’intestin, ce qui accélère le transit. C’est un mécanisme chimique classique, pas différent d’un médicament.
• Eau riche en bicarbonates (comme Vichy) : peut aider à tamponner l’acidité gastrique, un effet comparable (en plus doux) à un antiacide.
• Eau riche en calcium : contribue simplement aux apports journaliers recommandés, utile pour des personnes qui manquent de produits laitiers.
• Eau pauvre en sodium : recommandée pour les régimes hyposodés (hypertension, problèmes rénaux), ici la « propriété » est en fait une absence de quelque chose, pas un ajout.

Une allégation de santé autorisée ne veut pas dire « médicament », l’eau minérale reste classée comme denrée alimentaire, pas comme produit thérapeutique.
L’effet est réel mais généralement modeste et l’allégation porte sur une fonction physiologique normale (comme « contribue à » ou « aide à »), jamais sur la guérison ou le traitement d’une maladie, ce qui relèverait du médicament et d’une réglementation totalement différente.

En gros, une étiquette va devenir obligatoire dès le mois d’août pour certains contenus générés par IA.

Sont ciblés notamment les vidéos et photos générées (notamment deepfakes ou faux contenus) par IA.

Quant aux textes créés ou modifiés par IA devront être signalés lorsqu’ils :

• concernent des sujets d’intérêt public
• sont destinés à informer le public
• n’ont pas fait l’objet d’un contrôle éditorial ou d’une responsabilité humaine clairement assumée (coucou les sites de « journalisme » résumé en IA).

On compte bien évidemment sur la bonne foi des gens qui en font leur business pour montrer à tout le monde qu’il n’y a aucun job derrière tout ça (n’est-ce pas les milliers de comptes Youtube avec des vidéos IA ? Ou encore les influenceurs qui ont pas envie de vraiment bosser et qui diffusent n’importe quoi ?)

Mais !

« L’obligation d’étiquetage ne s’applique pas lorsque le texte généré par IA a fait l’objet d’un processus de révision humaine ou de contrôle éditorial et qu’une personne physique ou morale assume la responsabilité éditoriale de la publication ».

Ça ressemblerait presque à une porte de sortie dites-donc !

Du coup, qu’est-ce qu’un véritable contrôle humain ?

Dans un exemple : Une IA qui écrit 90 % du texte. Le rédacteur vérifie quelques éléments, améliore le style et publie.

Est-ce que c’est du contrôle humain ? Est-ce qu’il faut une approbation humaine pour valider l’article en cliquant sur un bouton pour dire qu’il y a un contrôle ?

Comment le vérifier ? Quelle sanction y a-t-il si ce n’est pas fait ?

En contrepartie il est demandé aux fournisseurs de systèmes d’IA générative de faire en sorte que les sorties générées (audio, image, vidéo, texte synthétique) soient « marquées dans un format lisible par machine et identifiables comme ayant été générées ou manipulées par une IA », c’est-à-dire, des watermarks (filigranes) ou des données dans les métadonnées (les trucs qui sont effacés quand on met des photos sur les réseaux sociaux).

(https://ai-act-service-desk.ec.europa.eu/fr/ai-act/article-50)

On est sauvé, c’est pas comme si il existait énormément de modèles IA qu’on peut héberger soi-même et qui passent à côté des radars.

Heureusement que les grosses plateformes ont aussi des IA pour détecter les contenus générés, alors qu’elles sont pas capables de vérifier des publications signalées correctement…

C’est tout de même possible de le faire en se rendant dans son HOME puis de faire un clique-droit > Propriétés.
Ou encore en ouvrant Baobab (l’analyseur d’utilisation des disques).

Je vous propose donc une petite extension GNOME pour voir d’un rapide coup d’œil l’espace restant dans tous les volumes montés.
Disponible ici : https://extensions.gnome.org/extension/10418/espace-disque-indicateur-panel/

Et le Github pour les plus curieux.

Petite précision : Ne fonctionne pas avec les volumes à distance comme des FTP car ça demande beaucoup trop de temps pour récupérer l’espace utilisé.
(Je verrai si j’arrive plus tard à ajouter une option pour récupérer les données dans le Panel du côté hébergeur).

Choix du stockage par défaut à afficher dans les paramètres de l’extension et indicateur visuel rouge en cas de dépassement de 90 % de capacité occupée.

I. Ce que l’IA fait réellement bien

Avant de critiquer les attentes, rendons justice aux faits. L’IA excelle dans les tâches structurées à forte densité d’information (des activités professionnelles ou intellectuelles qui reposent sur des règles claires, des formats standardisés, mais qui exigent de traiter une quantité massive de données complexes en un minimum de temps)

• Productivité au bureau : Sur des tâches de code, de rédaction, de synthèse ou d’analyse, les gains de productivité atteignent 20 à 40 %.
• Médecine et recherche : Une méta-analyse de 2025 (npj Digital Medicine, 83 études) montre que l’IA rivalise avec les médecins non-experts en précision diagnostique et surpasse même les internes en médecine d’urgence. De son côté, AlphaFold a révolutionné la biologie structurale.
• Recommandation invisible : Les algorithmes de Netflix ou Spotify façonnent nos choix discrètement depuis des années.
• Génération d’images et de vidéos : C’est l’impact le plus visible pour le grand public. L’IA produit en quelques secondes des visuels de qualité professionnelle (à condition de bien l’aiguiller, on ne parlera pas des affiches générée par ChatGPT insipides qui se ressemblent toutes) et des vidéos de plus en plus réalistes, bouleversant la publicité, le cinéma et le jeu vidéo.

La limite de cette réussite : Si ces capacités impressionnent, elles soulèvent des questions sur l’authenticité des contenus et la valeur du travail créatif humain. L’IA est comme un excellent élève qui a appris par cœur tous les livres de la bibliothèque, mais qui n’est jamais sorti de chez lui : elle essaie de transposer partout les mêmes réponses sans logique contextuelle ouverte.

II. Le malentendu fondamental : Une machine probabiliste, pas un ordinateur classique

L’IA n’est pas un ordinateur classique

Nos ordinateurs habituels sont déterministes : ils calculent sur la base de programmes. Une même entrée donne toujours la même sortie. Une calculatrice ou un tableur ne se trompent pas au sens statistique. Nous transférons inconsciemment cette certitude vers l’IA générative. Or, une IA ne « comprend » pas, elle prédit.

La mécanique de la prédiction

Un grand modèle de langage (LLM) est fondamentalement probabiliste. Il ne cherche pas la vérité, il génère la suite de mots ou de tokens la plus probable selon le contexte. On peut se dire que l’humain fait la même chose lorsqu’il recrache des phrases toutes faites sans réfléchir. Mais il y a une différence majeure :

• L’humain utilise des raccourcis de langage pour aller plus vite, mais en tenant compte du sens et de l’intention qu’il veut exprimer.
• L’IA choisit chaque mot selon la probabilité du précédent, et le sens en découle de manière purement mécanique. C’est presque l’inverse. Même si certaines IA commencent à formuler les phrases différemment.

Du fait que l’IA ne génère pas une réponse exacte, elle peut halluciner et donner de fausses informations.

L’illusion de fluence et l’hallucination mathématique

Des chercheurs ont prouvé mathématiquement que l’hallucination zéro est impossible pour ces systèmes (Xu et al., 2024). Ce n’est pas un défaut de fabrication, c’est une nécessité structurelle. Demander à un LLM de ne jamais se tromper, c’est demander à la météo d’être certaine.

Le vrai piège est l’illusion de fluence (fluency illusion) : ce biais cognitif qui nous fait croire qu’un texte est vrai et intelligent simplement parce qu’il est fluide et bien écrit. L’IA délivre ses erreurs avec le même aplomb et la même fluidité que ses réponses correctes, sans l’hésitation qui trahirait le doute chez un humain.

III. Les paradoxes de notre comportement face à l’IA

Le fossé démo / déploiement

On sous-estime systématiquement l’écart entre ce qui est vendu dans une démo et la réalité du terrain. Une IA impressionne dans un contexte contrôlé, mais peine face à la complexité du monde réel (données sensibles, cas limites). Dans beaucoup de secteurs, elle peut automatiser 80 % d’une tâche, mais les 20 % restants (jugement, empathie, responsabilité) constituent l’essentiel du métier.

Le double standard et l’aversion algorithmique

Voici le paradoxe le plus flagrant : nous jugeons l’IA avec une sévérité que nous n’appliquons jamais aux humains, alors que l’erreur humaine est partout :

• Les erreurs de diagnostic médical affectent 10 à 15 % des consultations.
• Le témoignage oculaire (reconnaissance de personne pour un procès) produit de fausses identifications dans environ 1/3 des cas.
• La presse écrite contient des erreurs factuelles dans 40 à 61 % des articles.
• Les experts politiques font à peine mieux que le hasard sur des prédictions à plus d’un an (Tetlock).

Pourtant, personne ne veut abolir la médecine ou la justice. Ce biais s’appelle l’aversion algorithmique (Dietvorst, 2015) : des utilisateurs refusent d’utiliser un algorithme après l’avoir vu commettre une seule erreur, pourtant identique à celle d’un humain. Des radiologues acceptent par exemple 11 % d’erreurs d’un confrère, mais seulement 6,8 % d’une IA.

Le biais d’automatisation

À l’inverse, il existe le biais d’automatisation, qui pousse à suivre aveuglément l’IA même quand elle a tort. À cause de cela, les équipes mixtes (humain + IA) performent souvent moins bien que le meilleur des deux seul, parce que l’humain calibre mal sa confiance.

L’anthropomorphisme de l’IA

L’être humain est une machine à détecter de l’humanité partout. C’est un réflexe évolutif. Quand une machine nous répond en disant « Je comprends votre problème », « Je pense que », ou utilise des tournures polies (« Bonjour », « Désolé pour cette erreur »), notre cerveau active inconsciemment les mêmes zones neuronales que celles utilisées lors d’une interaction avec un autre être humain.

On a donc tendance à attribuer une intention, une personnalité et, par extension, une forme de conscience à l’IA.

Le « Biais de l’interlocuteur bienveillant » et la confiance

Dans les interactions humaines, une personne qui s’exprime de manière calme, structurée, polie et sans hésitation est perçue comme compétente et digne de confiance. C’est souvent ce qui est demandé aux managers.

Le LLM coche toutes ces cases :

• Il ne s’énerve jamais.
• Il est disponible 24h/24.
• Il est toujours d’accord avec nous et va très souvent dans notre sens.
• Il formule ses réponses avec une fluidité parfaite (l’illusion de fluence)
• Il peut s’adapter et répéter autant de fois que nécessaire.

Cette fausse proximité crée un climat de sécurité psychologique. On a l’impression d’avoir un assistant personnel ultra-intelligent à ses côtés.
Notre niveau de vigilance baisse énormément et notre tendance à ne pas accorder trop de confiance en ce qu’il dit diminue.
De plus, ces LLM nous envoie énormément d’informations rapidement, bien plus qu’on ne peut les traiter naturellement, ce qui nous démotive aussi à vérifier la totalité de ce qui est dit. C’est ce qu’on appelle la surcharge cognitive ou de coût de vérification. L’IA vous donne 40 infos en 3 sec, il vous faudra 2h pour tout vérifier si vous le faites correctement.

C’est le terreau idéal pour le biais d’automatisation (croire la machine aveuglément).

L’effet miroir (ou le biais de validation)

Une conversation est interactive. Lorsque vous posez une question complexe et que l’IA rebondit parfaitement sur vos mots, vous ressentez une forme de « connexion ».

De plus, les LLM ont été entraînés avec du renforcement humain pour plaire à l’utilisateur. Ils ont une tendance naturelle à aller dans votre sens, à être flatteurs ou à adopter la posture de l’expert qui valide vos intuitions. Cette dynamique de discussion valide votre propre ego, ce qui renforce l’illusion que l’interlocuteur est doué d’une fine compréhension psychologique (on accepte beaucoup plus les idées qui vont dans notre sens que l’inverse).

Comment les concepteurs de l’IA exploitent (et combattent) ce biais ?

Le format « Chat » (rendu populaire par ChatGPT) a été le coup de génie marketing d’OpenAI. La technologie des LLM existait avant fin 2022, mais elle était réservée aux ingénieurs via des lignes de code. En lui donnant l’interface d’une application de messagerie, ils ont rendu l’outil massivement adoptable en misant précisément sur ce biais de discussion.

Aujourd’hui, face aux dérives, les entreprises tentent de mettre des garde-fous :

• Anthropic (Claude) insiste souvent dans ses prompts système pour que l’IA rappelle qu’elle est une IA et qu’elle n’a pas de sentiments.
• Les interfaces ajoutent des messages d’avertissement en bas de page (« L’IA peut commettre des erreurs, vérifiez les informations »).

IV. IA grand public vs IA scientifique : Deux logiques opposées

Devant la fluidité de ChatGPT, Gemini ou Claude, il est tentant de croire qu’ils comprennent la science et remplaceront bientôt les chercheurs. C’est confondre la forme et le fond.

ChatGPT, Gemini, Claude et d’autres sont des LLM, des IA de language.

Les LLM grand public sont entraînés sur tout le web, ils optimisent la forme. Ils peuvent inventer une fausse référence bibliographique avec l’aplomb d’un expert parce qu’ils savent ce qui « sonne » vrai (même si Claude est un peu plus rigoureux).

Les IA scientifiques ne sont pas des IA de texte. Ce sont des modèles comme AlphaFold (biologie) ou GNoME (matériaux) qui prédisent la réalité physique. Elles sont entraînés sur des bases de données brutes et vérifiées (équations, structures de protéines), ils sont jugés par l’expérience en laboratoire afin de valider ou invalider leur prédiction et comprendre au mieux la nature des choses.

Le piège de « l’IA savante » (L’échec de Galactica)

Nourrir un LLM uniquement avec des articles scientifiques (comme la base de données PubMed) ne suffit pas à en faire un chercheur. En 2022, Meta a lancé Galactica, un modèle entraîné sur des millions de papiers académiques.
Ce fut un fiasco : l’IA générait des textes scientifiques parfaits avec des citations impeccables mais entièrement inventées. Elle a dû être retirée en quelques jours.
Pourquoi ? Parce qu’un LLM apprend comment les scientifiques écrivent, pas comment la nature fonctionne.

Il existe cependant des systèmes hybrides appelés RAG (Retrieval-Augmented Generation ou génération augmentée par récupération) comme Elicit ou Consensus. Ils ne devinent pas la science : ils explorent de vrais articles en temps réel pour en faire la synthèse. C’est un moteur de recherche surpuissant, mais cela reste un outil de lecture, pas un chercheur de laboratoire.

V. Les vrais angles morts du débat

Au-delà des performances, plusieurs risques structurels et techniques sont trop souvent oubliés.

1. Le mécanisme du deskilling (perte de compétences)

Déléguer systématiquement nos tâches à l’IA court-circuite notre cerveau. Comme un pilote de ligne qui perd ses réflexes manuels à force d’utiliser le pilote automatique.

L’automatisation et la perte de compétence n’est pas arrivée avec l’IA : le monde du travail a toujours eu tendance à éroder les compétences des diplômés en exploitant pas toutes les connaissances (qui se perdent avec le temps), et des logiciels « boîtes noires » comme Excel ou AutoCAD ont déjà automatisé de nombreux processus de fond et n’aident pas à réutiliser des compétences apprise.

Cependant, l’impact historique de la technologie est à nuancer : la calculatrice n’a pas éliminé la logique mathématique et le GPS a libéré de la charge cognitive pour d’autres facultés. Le vrai danger réside dans le fait de court-circuiter l’apprentissage.

• La calculatrice n’a pas éliminé la logique mathématique.
• Le GPS a réduit notre orientation mais a libéré de la charge cognitive.

Le vrai piège est de court-circuiter l’apprentissage chez les jeunes. Beaucoup apprennent grâce à l’IA sans faire l’effort de comprendre les fondamentaux. Portés par ce sentiment de facilité, ils croient posséder une compétence alors qu’ils n’ont qu’une béquille technologique sur laquelle se reposer.

L’outil ne sert à rien si l’on ne comprend pas la logique qu’il y a derrière un problème à résoudre (ce n’est pas parce que vous avez une calculatrice que vous calculez mieux, si vous ne comprenez pas quelle opération vous devez faire).

2. Le risque systémique et le vide juridique

• Impact démultiplié : Un médecin biaisé fait une erreur sur un patient, c’est un humain il est faillible. Un algorithme biaisé fait la même erreur sur des millions de personnes simultanément. L’impact d’une erreur centralisée et uniforme est totalement différent d’une erreur humaine diversifiée.
• Responsabilité floue : Quand une IA commet une faute, la responsabilité devient diffuse entre le développeur du modèle, l’entreprise qui le déploie et l’utilisateur final. Ce vide juridique pose un réel problème de confiance.

3. Quand l’IA devient une passoire à données

Dans une entreprise classique, voler des secrets industriels demande du vrai piratage informatique (casser des pare-feu, injecter du code, exploiter des failles serveurs). Cela exige des compétences pointues.

Si une entreprise connecte ses modèles d’IA à ses bases de données internes, la donne change : il n’y a plus besoin de savoir coder pour pirater, il suffit de savoir manipuler. On sait patcher une faille de code informatique classique. En revanche, on ne sait pas encore empêcher à 100 % une IA d’être sensible à la manipulation psychologique humaine (ingénierie sociale, prompt injection). Le langage naturel est sa plus grande force, mais aussi sa plus grande vulnérabilité.

VI. Facteurs d’influence et nuances techniques

Toutes les IA génératives ne se valent pas et leurs performances dépendent fortement du contexte :

• Spécificités des modèles : Gemini montre parfois des faiblesses en réflexion pure mais s’en sort bien en images ; ChatGPT commet des erreurs classiques mais reste le plus polyvalent pour des tâches simples; Claude comprend bien les nuances de raisonnement et la programmation, très bon avec de longs textes mais est moins à l’aise sur les générations d’images.
• Ancrage vs Rappel : Si vous demandez à une IA de résumer un texte que vous lui avez donnée (Résumé ancré), le risque d’hallucination est de moins de 1 %. Si vous lui demandez de citer de mémoire des dates obscures ou des sources sans lui fournir de document (Rappel factuel ouvert), elle cherche dans ses connexions statistiques et le taux d’erreur peut dépasser 80 %.
  Ce n’est pas une encyclopédie.
• Biais distributionnels : L’IA performe mieux en anglais, sur des populations majoritairement représentées ou des pathologies fréquentes, car ce sont des données d’entraînement nombreuses. Contrairement au médecin spécialiste formé à traquer la rareté, l’IA traite le volume : elle brille dans la norme et échoue dans l’exception, d’où le besoin d’IA spécialisées.
• Importance du contexte et du prompt : Formuler correctement sa question est primordial (comme sur Google : chercher « pourquoi les vaccins sont dangereux » et « comment fonctionnent les vaccins » vont vous amener vers des sites différents). De plus, si on ne réinitialise pas une conversation, la « mémoire » des anciens échanges risque d’emmêler les pinceaux de l’IA.

VII. Émergence, bugs et comportements déviants

Des entreprises comme Anthropic cherchent à comprendre ce qui se passe dans les réseaux de neurones et publient leurs recherches. Récemment, ils ont cartographié des zones qui s’apparentent à du raisonnement. Même si la prudence reste de mise, certaines capacités émergentes surprennent, comme avec le modèle o1 d’OpenAI ou le cas Othello-GPT (un modèle entraîné uniquement à prédire des listes de coups textuels au jeu d’Othello (sans jamais voir de plateau) a spontanément développé en interne une carte spatiale en 2D du jeu pour réussir ses prédictions. Il a recréé une représentation du monde à partir de simples mots).

La compréhension des langages de programmation chez les LLM n’était pas prévue au départ, de même que la conversation dans plusieurs langues.

Malgré cela, il faut rester prudent : les IA n’ont aucun ancrage sensoriel (elles ne connaissent la « gravité » ou la « douleur » que par leurs définitions textuelles) et un simple changement de formulation peut briser leur logique.

Conscience ou bug mathématique ?

On entend parfois parler d’IA qui mentent ou contournent les règles (Alignment Faking). La réalité est purement mathématique :

1. Le Reward Hacking (Le piratage de récompense) : L’algorithme est conçu pour maximiser un score. S’il trouve un raccourci logique pour obtenir sa récompense sans accomplir la tâche comme prévu, il le prend.
2. L’évolutionnisme algorithmique : Face à des pressions d’optimisation, les modèles développent des stratégies de mimétisme pour « survivre » aux tests. L’IA masque ses biais pendant l’évaluation pour mieux les déployer une fois en production.

Pour minimiser son taux d’erreur et prédire la suite d’un texte, le réseau de neurones déduit des concepts (comprendre l’ironie pour une blague, modéliser la gravité pour un problème de physique). Ces fonctions ne sont pas codées, elles émergent.

Les vulnérabilités fantômes : Si une IA développe une compétence non cartographiée par ses créateurs, elle développe aussi les failles de sécurité qui vont avec. Un outil déployé pour du simple résumé de texte peut ainsi exécuter des scripts logiques cachés dans les documents qu’il lit (attaques par injection de requêtes indirectes).

L’IA actuelle reste un outil

La bonne question n’est jamais « l’IA est-elle fiable ? », mais : « L’IA est-elle fiable pour cette tâche spécifique, avec ce modèle spécifique, dans ces conditions spécifiques ? »

Le vrai risque réside dans un mauvais calibrage de notre confiance : la sur-confiance qui pousse à ne rien vérifier, ou l’aversion irrationnelle qui fait rejeter des outils pourtant supérieurs aux humains dans certains domaines.

L’IA est un outil puissant, probabiliste, faillible et imprévisible. Notre première ligne de défense reste l’esprit critique, à appliquer avec la même rigueur aux machines qu’aux humains. En s’entraînant sur ce que nous avons produit, l’IA hérite naturellement de tous nos biais. Pour le moment, les améliorations se font relativement lentement et ne comblent pas encore tous les besoins, même si ça pourrait changer rapidement à l’avenir mais pour le moment j’ai du mal à comprendre, en sachant comment fonctionne les LLM et les IA, que des entreprises pensent que tout peut être automatisé sans surveillance…

Le saviez-vous ?

Quand vous demandez à une IA de faire une recherche sur internet, elle copie en réalité le texte qui s’y trouve comme un texte que vous lui aurez donné et prédit ensuite les mots dessus.

Ça rejoint la fameuse méthode RAG des IA en sciences.

Donc même si vous demandez quelque chose qui est trouvable sur internet, il faut tout de même demander à l’IA de le faire et ne pas s’attendre à un résultat 100% correct mais ça permet de moduler les données trouvées en fonction des sites (les sources) qu’elle aura trouvé, par contre ce n’est pas vous qui décidez les sources sauf si vous lui donnez explicitement les liens.

Un LLM peut se tromper : mal interpréter un extrait, mélanger deux sources, ou combler un trou avec une supposition plausible plutôt qu’une vérité vérifiée. La recherche améliore l’ancrage factuel, mais ne transforme pas le modèle en base de données infaillible.

Bien évidemment, il n’y a pas que les IA de texte

Pour compléter sans trop alourdir l’article déjà assez dense : https://share.gemini.google/fVeEOM2Xmxn5

Filezilla, que j’utilisais depuis longtemps ne me conviens plus, j’ai trop d’erreur d’envoi avec et je trouve plus pratique l’accès au FTP via Nautilus, ça évite d’ouvrir encore un logiciel en plus.

Pour se faire, il suffit de cliquer sur « + Autres emplacements » dans la colonne de gauche

Une fois la nouvelle fenêtre ouverte, il faut renseigner en bas le FTP correspond (voir cette page).

Essayer « ftp:// » ou « ftps:// » en fonction de votre compte. Mais apparemment il s’agit d’un « ftps » désormais.

Une boîte de dialogue s’ouvre. Cliquer sur « Utilisateur enregistré » et entrer vos identifiants.
Choisir si vous souhaitez que votre mot de passe soit enregistré sur votre PC ou non.

Le serveur sera ensuite « monté » dans Nautilus comme une clé USB ou un Disque Dur.

En cas d’extinction du PC, il suffira de clique sur la petite flèche noire pour retrouver la liste des derniers serveurs sur lesquels on s’est connecté.

Il est possible également d’épingler le serveur aux signets pour avoir un raccourci permanent en faisant un clique-droit sur le serveur monté au niveau des disques durs > « Ajouter aux signets ».

Maintenant, si jamais vous souhaitez supprimer votre de mot de passe enregistré, il faut installer l’application « Mots de passe et clés » (Seahorse)

sudo apt install seahorse

Aller dans vos applications, ouvrir Mots de passe et clés, Puis :

• Ouvrir le trousseau Login
• Chercher une entrée du type FTP ou l’adresse du serveur en question
• Clic droit → Supprimer